机械工程学报

作者：姜洪权, 贺帅, 高建民, 王荣喜, 高智勇, 王晓桥, 夏锋社, 程雷

单位：1. 西安交通大学机械制造系统工程国家重点实验室 西安 710049;2. 麻省理工学院制造和生产率实验室 剑桥 02139 美国;3. 陕西省特种设备检验检测研究院 西安 710048

关键词：焊缝缺陷识别,卷积神经网络,池化模型,特征强化选择,深度学习；

基金：国家重点研发计划（2017YFF0210502）、陕西省自然科学基础研究计划（2019JM-214）和陕西省质量人才计划（3211000781）资助项目。

针对传统卷积神经网络（Convolutional neural network，CNN）应用于焊缝缺陷识别时，池化模型适应差及特征选择能力低、以及易导致过拟合问题，提出了一种基于改进卷积神经网络（Improved pooling model and feature selection of CNN，IPFCNN）的焊缝缺陷识别方法。结合焊缝缺陷图像本身的特点，对传统平均池化模型做出改进，提出一种综合考虑池化域与其所在区域特征图分布的池化模型；为增强模型特征选择能力，提出将随机森林与卷积神经网络相结合的强化特征选择方法。以某汽轮机制造过程中焊缝缺陷识别案例对所提方法进行了验证和说明，结果表明提出的池化模型在处理不同特征分布的池化域时具有动态自适应性，并通过提高特征选择能力，使得所提方法比传统CNN方法具有更高的缺陷识别率。

来源：2020年第8期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2020年第8期